LIO-SAM论文阅读笔记

LOAM存在的问题

（1）地图的存储方式导致难以检测回环以及增加其他传感器信息

（2）在大场景情况下会漂移

（3）在特征丰富环境，voxel_map 会变得稠密，导致优化没有效率

核心思想

将激光里程计，IMU 预积分，GPS，回环等约束添加到因子图中，从而实现紧耦合的优化

软件系统框图

四种因子

IMU 预积分

IMU 预积分可以用来 de-skews 当前帧点云

激光里程计

（1）与 LOAM 或者 Lego-LOAM 一样提取线面特征

（2）利用局部关键帧构建 voxel map：选择距离当前关键帧最近的 n 个关键帧，将其线面特征进行合并形成地图

（3）与 LOAM 一样寻找当前关键帧与局部地图的匹配关系，并进行优化求解(利用 IMU 预积分作为初始值)，从而获得与上一个关键帧的相对位姿

（4）根据位姿变化选取关键帧(保持因子图的稀疏)

注：激光里程计可以用于估计 IMU 的 bias

GPS

将 GPS 数据转换到局部笛卡尔坐标系

注：这里作者发现误差变化缓慢，所以只是在位姿估计的协方差大于 GPS 协方差时才添加 GPS 因子

回环

利用欧式距离检测回环，但也可以用其他方法

选择距离当前关键帧15m内的关键帧作为回环帧，然后选择回环帧前后